2. 程式人生 > >基於caffe的模型壓縮

基於caffe的模型壓縮

阿新 • • 發佈：2018-11-10

DeepCompression-caffe

精簡後的日誌:

stage1
I1102 17:28:31.986773 29076 cmp_conv_layer.cpp:47] CONV THR: 0.115747 0.33
I1102 17:28:31.986806 29076 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:31.988147 29076 cmp_conv_layer.cpp:65] sparsity: 0
I1102 17:28:32.014879 29076 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:32.015149 29076 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:32.020237 29076 cmp_conv_layer.cpp:47] CONV THR: 0.115747 0.33
I1102 17:28:32.020257 29076 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:32.021575 29076 cmp_conv_layer.cpp:65] sparsity: 0
I1102 17:28:32.047680 29076 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:32.047929 29076 cmp_inner_product_layer.cpp:62] sparsity: 0
stage2
I1102 17:28:33.807425 29226 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:33.807464 29226 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:33.808884 29226 cmp_conv_layer.cpp:47] CONV THR: 0.0529969 0.8
I1102 17:28:33.808957 29226 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:28:33.834861 29226 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:33.835132 29226 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:33.841706 29226 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:33.841732 29226 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:33.843004 29226 cmp_conv_layer.cpp:47] CONV THR: 0.0529969 0.8
I1102 17:28:33.843065 29226 cmp_conv_layer.cpp:65] sparsity: 0.8
stage3
I1102 17:28:36.274431 29278 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:36.274452 29278 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:36.274977 29278 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:28:36.275055 29278 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:28:36.302774 29278 cmp_inner_product_layer.cpp:46] THR: 0.0397202
I1102 17:28:36.303934 29278 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:28:36.304250 29278 cmp_inner_product_layer.cpp:62] sparsity: 0
I1102 17:28:36.313314 29278 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:36.313359 29278 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:36.313977 29278 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:28:36.314086 29278 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:28:36.341886 29278 cmp_inner_product_layer.cpp:46] THR: 0.0397202
I1102 17:28:36.342639 29278 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:28:36.342878 29278 cmp_inner_product_layer.cpp:62] sparsity: 0
stage4
I1102 17:28:53.363138 29602 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:53.363155 29602 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:53.363728 29602 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:28:53.363800 29602 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:28:53.371803 29602 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:28:53.372537 29602 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:28:53.372779 29602 cmp_inner_product_layer.cpp:46] THR: 0.0979528
I1102 17:28:53.372798 29602 cmp_inner_product_layer.cpp:62] sparsity: 0.8
I1102 17:28:53.375731 29602 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:28:53.375751 29602 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:28:53.376214 29602 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:28:53.376274 29602 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:28:53.383858 29602 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:28:53.384596 29602 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:28:53.384827 29602 cmp_inner_product_layer.cpp:46] THR: 0.0979528
I1102 17:28:53.384846 29602 cmp_inner_product_layer.cpp:62] sparsity: 0.8
stage5
I1102 17:29:10.394448 29928 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:29:10.394480 29928 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:29:10.395453 29928 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:29:10.395548 29928 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:29:10.408223 29928 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:29:10.408944 29928 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:29:10.472780 29928 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:29:10.472833 29928 cmp_inner_product_layer.cpp:62] sparsity: 0.8
I1102 17:29:10.477787 29928 cmp_conv_layer.cpp:47] CONV THR: 0 0.33
I1102 17:29:10.477800 29928 cmp_conv_layer.cpp:65] sparsity: 0.33
I1102 17:29:10.478963 29928 cmp_conv_layer.cpp:47] CONV THR: 0 0.8
I1102 17:29:10.479020 29928 cmp_conv_layer.cpp:65] sparsity: 0.8
I1102 17:29:10.490887 29928 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:29:10.491583 29928 cmp_inner_product_layer.cpp:62] sparsity: 0.9
I1102 17:29:10.556942 29928 cmp_inner_product_layer.cpp:46] THR: 0
I1102 17:29:10.556978 29928 cmp_inner_product_layer.cpp:62] sparsity: 0.8

 

相關推薦

基於caffe的模型壓縮

DeepCompression-caffe 精簡後的日誌: stage1 I1102 17:28:31.986773 29076 cmp_conv_layer.cpp:47] CONV THR: 0.115747 0.33 I1102 17:28:31.986806 29076 cmp_co

基於caffe在已有模型上進行微調finetune

近期要對醫學影象在caffe上進行微調，總算找到一篇不錯的文章，轉載過來，方便查閱。 網址：http://www.cnblogs.com/denny402/p/5137534.html caffe團隊用imagenet圖片進行訓練，迭代30多萬次，訓練出來一個model。

【深度學習】基於caffe的表情識別（四）：在Intel AI DevCloud上訓練模型

一、註冊申請Intel AI DevCloud   2.填寫註冊資訊：   3.Submit提交，提交後會出現下面的介面：   4.說明已經申請成功了，大概等2個工作日左右，會收到一封郵件，郵件長這樣：   第一個紅框內的連結是使用教程，教你怎麼連線到dev

基於Caffe-Int8-Convert-Tools進行caffe模型轉int8量化日常記錄

最近在中低端嵌入式裝置上進行人臉識別移植，雖然針對模型引數儘量壓縮，但模型依然有6M左右，在低端嵌入式裝置上載入速度和執行速度都讓人淚流滿面。查閱資料後，目前針對嵌入式裝置可通過float32轉int8進行模型壓縮和速度提升，所以本人也進行了實驗，並將實驗過程進

基於視頻壓縮的實時監控系統

編程模型 操作 工作流程 使用 監控系統 系列 服務 針對 服務器端 采集端主要框架： 主程序、圖像采集子系統、傳輸子系統、圖像編碼壓縮子系統 監控端主要框架： 主程序、傳輸子系統、圖像解碼子系統、圖像顯示子系統 針對采集端來說： 主程序工作流程：（采用epoll架構）

Orleans框架------基於Actor模型生成分布式Id

www 需要 http 數學 dbcontext 詳細 await clas don 一、Actor簡介 actor模型是一種並行計算的數學模型。 響應於收到的消息，演員可以：做出決定，創建更多Actor，發送更多消息，並確定如何響應接收到的下一條消息。 演員可以修改自己的

單目深度估計－基於Caffe

add normal mea opencv2 and git lease 來源 layers 本文的思路主要來源於[1]，模型和參數來源於[2]，這裏只是在Caffe的框架下用C++實現了，效果還可以，目前打算做個三維點雲顯示，做好了再上傳吧． 這裏先貼代碼吧，最近比較忙，

基於EPOLL模型的局域網聊天室和Echo服務器

受限 urn let event flag 選擇 idt block 1-1 一、EPOLL的優點 在Linux中，select/poll/epoll是I/O多路復用的三種方式，epoll是Linux系統上獨有的高效率I/O多路復用方式，區別於select/poll。先

真實感海洋的繪制（一）：基於統計學模型的水面模擬方法詳解

最簡 自動生成 nbsp imu gif bubuko fourier div img 真實感海洋的繪制（一）：基於統計學模型的水面模擬方法詳解 學習了基本的OpenGL和圖形學知識後，第一個想做的事情就是畫水（笑），因為對我而言各種遊戲裏面往往最令人印象深刻的就是那波光粼

基於AIRMA模型對訂單總額未來七天的預測

使用 系統時間 cfi 諸多 通過 次數 處理 實現 情況 1 前言 ? 從時間上看，訂單量時間序列有兩個明顯的特征： ? 1）周期性。每天訂單量的變化趨勢都大致相同，午高峰和晚高峰訂單量集中； ? 2）實時性。當天的訂單量可能會受天氣等因素影響，呈現整體的上漲

嵌入式-項目1-基於視頻壓縮的實時監控系統-1.EPOLL框架

驅動程序 hat 邊沿觸發 lec wro div 技術 情況下 因此 第一課-Epoll框架 為什麽要用Epoll？ （1）阻塞型IO 阻塞是指沒有獲得資源則掛起進程，直到獲得資源為止。被掛起的進程進入休眠狀態，被調度器的運行隊列移走，直到等待條件被滿足。 非阻塞

模型壓縮相關工作

image 理論 博客 article 數據 == 例如 iss 裁剪 總結的很好的一篇博客：https://blog.csdn.net/App_12062011/article/details/81665140 定點化： 　　　　百度搜“模型壓縮定點化” 　　　　http

Windows平臺基於Caffe框架的LeNet網路訓練

在Windows平臺下使用Caffe的確不如Linux來的方便，至少人家把Shell都已經寫好了。但是像我這種VS重度依賴者，還是離不開微軟大腿呀…廢話不多說，一步步來吧 0. 為了後續檔案路徑訪問的便利，我們先將$CAFFE_ROOT根目錄新增到作業系統環境變數PATH中，

TensorFlow 首個優化工具來了：模型壓縮4倍，速度提升3倍！

今天，TensorFlow釋出了一個新的優化工具包：一套可以讓開發者，無論是新手還是高階開發人員，都可以使用來優化機器學習模型以進行部署和執行的技術。   這些技術對於優化任何用於部署的TensorFlow模型都非常有用。特別是對於在記憶體緊張、功耗限制和儲存有限的裝置

使用訓練好的caffe模型分類圖片(python版)

 英文官方文件：http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb 匯入python caffe包 import numpy as np im

使用mmdnn將caffe模型轉換為tensorflow模型

mmdnn是微軟推出的用於各個模型互轉的工具，支援主流框架，同類產品有onnx. 這兩個存在的共同問題是文件太舊，更新後很多命令不再適用 這裡給出mmdnn能用的命令 @echo off set PYTHONPATH=D:/CNN/caffe/python mmconvert -sf c

caffe，資料輸入層，分類資料label是圖片名字加上一個值，對於迴歸任務或者其他任務，標籤是一組值（一個向量）用hdf5 基於Caffe的人臉關鍵點檢測實現

轉 基於Caffe的人臉關鍵點檢測實現 2016年10月09日 11:36:49 haoji007 閱讀數：2827 更多

模型壓縮概述

前言 自從AlexNet一舉奪得ILSVRC 2012 ImageNet影象分類競賽的冠軍後，卷積神經網路（CNN）的熱潮便席捲了整個計算機視覺領域。CNN模型火速替代了傳統人工設計（hand-crafted）特徵和分類器，不僅提供了一種端到端的處理方法，還大幅度地重新整理了各個影象競賽任務的

caffe模型訓練全過程（一）指令碼、資料準備與製作

1.首先建立工程資料夾 資料夾結構如下 |——project ├── create_imagenet.sh #生成lmdb檔案的指令碼 |——train_lmdb ├── data.mdb └── lock.mdb

Python 應用caffe模型進行分類（caffe介面）

遍歷一個檔案下的所有圖片，進行單張預測，並複製到相應的資料夾 import caffe #import lmdb import numpy as np import cv2 from caffe.proto import caffe_pb2 import os import sys caff